对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

实用NARMAX-L2模型的神经网络自校正控制器

针对实用随机非线性NARMAX模型,参照改进的NARMA-L2模型,提出实用随机NARMAX-L2模型,采用BP神经网络逼近该模型,依据直接极小化指标函数自适应优化算法估计随机干扰模型的参数,并对BP神经网络的连接权进行学习,根据广义控制目标函数提出神经网络显式自校正控制器,仿真研究验证了上述研究的有效性,系统具有理想的控制效果。

基于快速BP算法的非线性系统神经网络自校正控制器

提出了对于一大类未知、不确定、时变单输入单输出离散非线性系统 ,利用三层BP网络 ,采用快速BP算法构成学习和自校正控制的方案。针对同一被控对象 ,设计了PID控制器 。

一种模糊神经网络自校正控制器设计与应用

本文提出了一种模糊神经网络智能控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法，实验仿真结果表明，这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。

一类神经网络自校正控制器的设计与研究

提出一种新的神经网络自校正控制器的设计方法 ,采用神经网络 BP算法作为控制器来控制实际对象 ,动态地修改神经网络的权值作为自校正方法 ,使系统较好地适应负荷和外扰的变化 ,获得满意的控制质量。

变结构神经网络自校正控制器的设计与研究

提出了一种变结构神经网络自校正控制器的设计方法，采用变结构神经网络ＢＰ优化算法设计控制器来控制实际对象，动态地修改神经网络的权值作为自校正方法，使系统较好地适应负荷和外扰的变化，获得满意的控制质量。

一种神经网络自校正控制器

多层前向网络具有内在的非线性通过能力、在线自学习和较强的鲁律性及容错能力．可用于动态系统的在线或离线辨识．本文在研究一类基于参数在线估计的自校正控制器的基础上，比较了常用的参数估计方法－最小二系法与种经网络用于系统辨识的优缺点，偿试利用多层前向网络替代最小二乘法来进行一类受扰不确定系统的在线受耗参量估计，并将神经网络的辨识模型直接用于系统在线控制．最后给出了一个仿真实例，计算结果说明上述方法是可行的．

NARMA-L2模型的改进及其神经网络自校正控制器

带预测误差补偿的NARMA-L2模型是由NARMA模型在零工作点处由一阶泰勒展开逼近的,其误差项取值较大。通过分析NARMA-L2模型存在误差项值较大的问题,利用自适应滤波动态工作点处由一阶泰勒展开逼近NARMA模型,构建改进的NARMA-L2模型,采用BP神经网络辨识改进NARMA-L2模型的参数,基于广义目标函数与改进的NARMA-L2模型给出了非线性系统的隐式自校正控制器算法,以直接极小化指标函数的自适应优化算法寻优BP神经网络的连接权重值,获得了一种新的在线学习算法。研究表明,改进模型误差值较传统NARMA-L2模型小,控制算法使系统具有优良的控制效果。

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

基于BP神经网络的集中供热二次网回水温度预测控制研究

针对集中供热系统二次管网存在的水力失调问题,设计了二次网水力平衡调节及回水温度预测模型,并实施智能控制策略,以实现二次网回水温度的精准控制。首先,构建BP神经网络预测模型,将此模型的输出视为二次网回水温度给定值;其次,在整个系统控制中,实施BP神经网络与PID控制器相结合的策略,进行二次网回水温度的控制。以高邑县某小区换热站数据为基础,通过阶跃响应曲线法建立二次网回水温度控制系统的数学模型,并通过BP-PID控制进行仿真实验。实验结果表明,与传统PID控制器相比,BP-PID控制器具有调节时间短、超调量小的优点,能够快速达到平稳状态。

基于GWO-BP神经网络在舌诊图像颜色校正中的应用

目的:基于灰狼优化算法(GWO)优化传统BP神经网络的舌诊图像颜色校正算法,解决移动舌诊APP存在的拍摄环境具有局限性、手机设备的依赖性及基于手机平台的颜色校正方法所使用的传统算法效果不佳等问题。方法:以24色标准色卡为标准,分别采集室内白炽灯不同光照强度场景与室外不同时刻阴天、晴天场景下的舌诊图像;同时选择灰度世界算法以及传统BP神经网络算法与本文算法进行对比,分别用上述三种算法对采集图像进行颜色校正,并对校正结果进行主观与客观颜色评价进行对比分析。结果:相比于灰度世界算法及BP神经网络算法,GWO-BP神经网络算法的颜色校正效果明显提高。结论:GWO-BP算法可有效地对手机拍摄的舌诊图像进行颜色校正,从而提高色值精确度。

基于BP神经网络的PID炉温控制系统设计方法研究

经典PID控制器在工炉温控制系统中得到了广泛应用,但是PID控制器难于对复杂对象如大滞后、慢时变、非线性系统进行有效控制。提出了一种基于BP神经网络的PID炉温控制系统设计,利用BP神经网络的自学习能力,根据系统的输入和输出数据,自动调整PID控制参数,将BP神经网络和PID控制相结合,形成一种BP神经网络PID控制系统。通过分析传统PID控制和BP-PID控制的系统响应曲线,对比两者的控制效果。结果表明,与传统PID控制相比,BP-PID控制具有超调量小、调节时间短、抗干扰能力强等优点,能满足工业炉温精确控制的要求,并降低能源消耗。

基于卷积神经网络的水下地形测量误差校正方法

水下地形测量精度对于水下地貌的判断及水下航行安全具有重要意义,测量误差会直接影响对水下地形的判断。因此,本文提出基于卷积神经网络的水下地形测量误差校正方法,对水下地形测量数据误差进行自动识别和校正,从而改善水下地形测量结果。该方法首先依据水下地形测量原理,统计水下地形测量的特征参数,形成特征向量;其次,将其作为基于改进卷积神经网络的输入,通过不断学习和训练,输出变换参数结果,生成新的水下地形测量图像;最后,引入多尺度注意力机制,细化测量图像空间,并对测量图像与标签图像之间的相似度进行计算,依据最大化图像相似度计算结果,校正水下地形测量图像生成过程中的参数。测试结果表明,该方法测量误差均在1.7%以下,能够有效校正测量结果中存在的畸变和误差,精准测量水下地形情况,测量结果与实际结果吻合程度较高。

基于深度神经网络的星敏感器成像在轨校正方法

由于卫星在轨时受空间恶劣环境干扰,星敏感器相机在轨输出的图像相对于地面标定时产生畸变,制约其姿态测量的精度,且受在轨运行条件的限制难以进行实时有效的图像校正,造成星敏感器精度受限。针对以上问题,文章提出一种可用于在轨校正星敏感器畸变的方法,通过构建星点畸变坐标与星库理论坐标的映射数据集来训练神经网络模型,拟合星敏感器成像的非线性畸变,实现高精度图像畸变校正。为了验证该方法的图像畸变校正能力,文章进行了模拟星图仿真试验,试验结果显示,星点测量坐标与理论坐标平均误差在校正后从0.7237像素降至0.0586像素。该结果表明文中所提出的校正方法可以使星敏感器解算精度得以显著提升,且具备在轨学习能力,可扩展应用到其他星上载荷的图像校正。

基于BP神经网络PID的中子发生器离子源阳极电流控制研究

本文将BP神经网络算法与PID控制结合,优化了中子发生器控制离子源阳极电流PID调节过程,实现了控制器自适应整定,提升了控制效果。基于离子源阳极电流控制模型改进了PID算法,通过MATLAB/Simulink软件对两种算法进行仿真并对比分析。通过LabVIEW控制并采集离子源阳极电流值,使用改进后的BP神经网络PID算法控制程序进行实验。经实验表明,BP神经网络PID对离子源阳极电流控制能够实现参数的自适应整定,相比传统PID控制器超调量更小、响应速度更快,提高了中子发生器的控制稳定性。

基于模糊RBF神经网络PID的AUV姿态控制研究

针对自主水下航行器(AUV)高精度、强鲁棒性的运动姿态控制需求,提出了一种径向基函数(RBF)神经网络结合模糊PID控制的水下机器人运动控制器;采用RBF神经网络对模糊PID控制器参数进行优化,有效解决了模糊PID控制过度依赖经验,难以应对水下复杂工况的问题。仿真结果表明:模糊RBF神经网络PID控制器在AUV姿态调节中表现出较传统模糊PID控制器更好的响应速度和抗干扰能力,有效改善了AUV姿态控制性能;经实际应用验证,控制器在复杂工况下可以快速收敛至期望姿态并维持稳定。

基于遗传改进神经网络的煤矿井下传感器非线性校正方法

煤矿井下的工作环境十分恶劣,包括高湿度、高温、持续振动和大量粉尘等因素,这些因素都可能对传感器造成非线性干扰,使其输出结果与实际值产生显著偏差。这种偏差如果不加以校正,会严重影响煤矿的生产安全和效率。为此,该研究提出一种基于遗传算法优化的神经网络方法,旨在校正煤矿井下传感器非线性误差。根据已获取的传感器非线性误差数据,确定校正模型的输入与输出。以神经网络为核心构建校正模型,并利用遗传算法对校正模型的权值和阈值参数进行优化,以提高模型的校正性能。在模型训练完成后,将其应用于实际煤矿井下传感器非线性校正中。实验结果表明,经过该研究方法校正后,瓦斯浓度值更接近标准瓦斯浓度值,误差显著降低,这充分证明了该研究方法在实际应用中的有效性和可靠性。

中尺度涡观测任务中自主式水面水下航行器的进化神经网络控制器研究

针对现有观测手段难以实现中尺度涡目标性强、高机动性、高随机性以及时空同步的高精度观测这一问题,本文采用自主式水面水下航行器(ASUV)这一现场观测的新手段,通过进化神经网络控制器,实现对中尺度涡的高精度实时跟踪,从而进行水下垂直结构的采样观测。同领域内最新的控制算法相比,进化神经网络的方法对中尺度涡跟踪的精度更高,对卫星数据依赖更少。仿真实验结果表明,ASUV在整个跟踪过程中都能够达到1 km附近的跟踪精度。本文给出了中尺度涡跟踪精度的详细量化评价结果,并在仿真环境中控制ASUV对中尺度涡的水下垂直结构进行了采样,为实现中尺度涡现场三维精细化观测奠定了基础。

基于RBF神经网络的双馈风电机组最大功率追踪控制方法

双馈风电机组通过转子回路进行功率调节控制,当系统在最大功率点附近工作时,回路电流会出现高频振荡的问题。这种振荡会影响系统稳定性,最大功率追踪控制是解决该问题的核心手段。提出基于径向基函数(Radial Basis Function,RBF)神经网络的双馈风电机组最大功率追踪控制方法。分析双馈风电机组基本结构与运行原理,获取风电机组输出功率,并将其输入RBF神经网络输入层中,通过网络隐含层对其展开优化训练,再通过输出层输出最大功率。采用二阶滑模控制策略与比例-积分-微分(Proportion Integration Differentiation,PID)控制器相结合的方法对发电机转矩展开追踪控制,实现对双馈风电机组最大功率的追踪控制,使风电机组保持最大功率运行。实验结果表明,所提方法追踪效果好、追踪精度高、控制精度高。

基于深度神经网络的树木伐桩轮廓提取及匹配方法

为了及时准确地找到被盗树木,公安机关需要比对被盗伐树木伐桩的上下截面,寻找共同点,并依此确认两者是否属于同一树木。但是由于存放环境不同,伐桩上下截面的颜色、纹理存在巨大差异,由于锯伐方式和树皮的影响,伐桩上下表面的轮廓也存在很大差异,伐桩下表面还很容易受木屑等影响,背景复杂。针对这些难点,本研究在前面的研究基础上,继续把棋盘格作为特征物放置在伐桩表面,用PPYOLO_MobileNetV3卷积神经网络检测图像中的棋盘格,对棋盘格中的角点进行检测、排序,然后进行透视变换,恢复伐桩的原始面积和轮廓等特征,接着用PP-LiteSeg网络在复杂背景下提取伐桩轮廓,然后用CAE_ViT_base网络对轮廓进行匹配,实现了伐桩轮廓匹配的全流程,从而极大程度节约了人工。理论分析和试验结果都表明,基于局部梯度的匹配法、基于局部点集拓扑特征的匹配法和基于轮廓的全局特征匹配方法等,在伐桩图像的匹配中都是不可行的。CAE_ViT_base网络的解码器将输入图像分割为大小一致的图像块,解码器的训练过程需要关注每一个块的特征,伐桩轮廓的匹配难点在于轮廓有局部缺失,局部梯度误差较大。CAE_ViT_base网络的自监督预训练机制很好地弥补了上述缺点;同时,采用对样本图像随机多角度旋转的方法,使得图像的特征提取能够保持旋转不变性。CAE_ViT_base网络提取出来的特征在尺度上高于基于梯度的特征,也高于基于局部点集拓扑的特征,但低于全局特征。因此,只要少部分图像块高度匹配,则CAE_ViT_base网络给出的最终匹配度就比较高;同时,这种工作方式和人工对比2个伐桩轮廓是否匹配的方法也是一致的。在本研究的344幅伐桩图像上进行试验,结果表明:本研究算法对整个测试集的检测成功率为100%,棋盘格检测成功率100%,轮廓提取精度达到98.8%,轮廓匹配准确率100%,无一错检和误匹配;和基于梯度的轮廓提取方法及基于特征描述子的轮廓匹配方法相比,本研究方法具有全方位的优势。本方法中,伐桩检测匹配全流程计算耗时不足30 s,完全满足实际应用需要,具有较好的推广应用价值。